北京
年前密集和朋友约饭局，其中不乏为企业做AI落地的同路人，期间我们聊的最多的话题，就是如何把控客户预期和项目复杂度。
什么叫预期？
比如做知识库产品，很多人觉得把文档往里面一丢，它就应该什么问题都能回答。
但现实是，绝大多数问题，都隐藏着逻辑关系，真正难的不是回答，而是搞清楚用户到底在问什么。
举个简单例子，有员工问：“我这个单子能报销多少钱？”
这个问题背后至少有三层判断：
①这是什么类型的单子？
②属于哪个成本科目？
③系统里还有哪些限制？
每层判断都要规则，而规则往往藏在流程、制度和系统里。
你不给出结构化的规则，AI是没法凭空推测的。
而企业往往觉得这是很简单的问题，结果就是造成双方的认知差异。
还有一种情况，就是客户也知道要提供各种规则、逻辑和验收标准，但这件事本身就很费业务时间，而大多数企业的业务部门，本来就被KPI压得喘不过气。
所以很多项目落地到一半会出现一个场景：
“你们这个智能问答太不好用了”
“因为你们之前没给这类问题下的意图识别规则。”
“我没时间梳理规则，这些难道AI不会自己想么？”
最终进入死循环……
现在企业做 AI，本质上是要同时做三件事：
①帮业务把流程梳理透（这是最难的）
②把AI的边界讲明白
③把可验证的验收路径搭起来
这三件事缺一不可。
我见过最稳的落地方式，是先挑一个小场景，把规则补齐，把流程跑通。
例如薪资数据的异常分析、某个制度的问答、某个审批流程的提示、某类客户接待的小定流程
这些点小、可控、可验证，反而容易跑起来。
你会发现，越成熟的公司越不搞噱头。
他们通常是先把数字化改造的路线跑通，再在每个系统里嵌一点点AI能力，先让内部用起来，确认能提效，才慢慢扩展场景
而那些天天喊大模型重构一切的公司，往往最后落地最慢。
这一年我见过太多企业做AI的挣扎，很多问题不是他们不努力，而是对AI有过高的期待，却不愿意投入业务时间，准备的也都是些模糊的流程、不完整的规则和不清晰的验收。
这些问题不前置解决，就只会拖慢落地进度，效果也很难体现出来。
#企业AI落地攻略 #AI产品经理必备技能 #AI技术应用案例 #AI项目预期管理
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
